Seeing LikeA State: How Will the State See in the Era of Big Data?
Notice bibliographique
Résumé
The era of Big Data has significantly transformed the state structure and its mechanisms, particularly in relation to how power is exercised and how social governance is approached. While James C. Scott's analysis in the late 20th century critiqued the high modernist state for simplifying and standardizing systems for better manageability and predictability, today's dataist state operates with a radically different paradigm. This transformation is deeply influenced by the rise of distributed data systems that aim to understand the society, individuals, and reality through continuous streams of data. This paper examines the ways in which these data flows reshape the state's vision of governance, focusing on three primary behaviors: simplification, standardization, and homogenization in the context of the dataist state's management of data. Furthermore, it delves into the shift from traditional state control to a system of automated governance where algorithms and machine learning play key roles in decision-making processes. Special attention is given to the concept of "metis"-a form of knowledge deeply rooted in experience and tacit understanding-highlighting the limitations and exclusions that arise in the data-driven governance model. The paper also explores the ethical and social implications of the growing dependence on automated systems, such as the risks of reinforcing biases and exclusions through data processing, ultimately questioning the capacity of dataist states to capture the complexities of human existence. Through these inquiries, the paper presents a critical perspective on the evolving role of the state in an increasingly digital world.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,041 |
| Communication savante | 0,023 | 0,040 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».